Пять барьеров на пути искусственного интеллекта: почему пилоты не становятся реальными продуктами
Искусственный интеллект, особенно большие языковые модели, — главный технологический тренд. Однако большинство проектов так и остаются экспериментами, не доходя до реального бизнеса. В чем причина? На конференции Data Fusion, организованной ВТБ, заместитель руководителя технологического блока банка Сергей Безбогов обозначил пять ключевых препятствий, с которыми сталкиваются компании по всему миру.
Первая и основная преграда — экономика. Банк придерживается принципа «бережливого ИИ», где каждый проект должен доказать свою окупаемость в установленные сроки. Даже пилотные запуски требуют серьезных вложений в вычислительные мощности, а без пилота сложно оценить конечный эффект. В итоге многие дорогостоящие идеи отсеиваются на старте.
Вторая проблема логично вытекает из первой — высокая стоимость инфраструктуры. Для разработки и масштабирования решений на основе больших моделей нужны мощные ИТ-кластеры. Иногда даже самая эффективная модель оказывается нерентабельной из-за цены на необходимое «железо». Дефицит процессоров и видеокарт только усугубляет ситуацию.
Третий барьер — пресловутые «галлюцинации» генеративного ИИ. Модель может выдать вымышленный факт или некорректный ответ, создавая финансовые и репутационные риски. Борьба с этим требует сложных, не универсальных систем контроля, которые нужно разрабатывать под каждую конкретную задачу.
Четвертая причина — голод данных. Для обучения моделей не хватает качественных данных. Их подготовка — дорогой и трудоемкий процесс, требующий экспертной проверки. К тому же, данные внутри одной отрасли (например, банковской) часто однотипны, что мешает создавать уникальные решения. Межотраслевой обмен мог бы помочь, но ему мешают строгие законодательные ограничения на передачу чувствительной информации.
Наконец, пятый кадровый вопрос. Для промышленного внедрения нужны новые роли: не просто разработчики, а специалисты по разметке данных и промпт-инженеры, умеющие «разговаривать» с нейросетью. Не менее важна и осознанность обычных пользователей, которые должны четко ставить задачи и критически оценивать ответы ИИ, не перекладывая на него всю ответственность.
Преодоление этих барьеров — не техническая, а комплексная управленческая задача. Компаниям предстоит найти баланс между инновациями, экономикой и рисками, чтобы ИИ-пилоты наконец выросли в полноценные бизнес-инструменты.
